David Schmidt está protegiendo el medio ambiente, pero no de la manera que pretendía en un principio. En la escuela de posgrado en ingeniería, su interés era la fusión nuclear. Un doctorado persuasivo. El asesor lo guio hacia la física de la inyección de combustible, un proceso fundamental tanto para los reactores de fusión por confinamiento inercial como para los motores de combustión interna, la otra línea de investigación del asesor. Con reactores de fusión prácticos aún a décadas de distancia, Schmidt se desvió hacia los motores.

 

Si bien puede parecer que los autos eléctricos están tomando el control, los motores de combustión interna (ICE) permanecerán en las carreteras, los mares y las pistas durante las próximas décadas. El trabajo de Schmidt los hace más limpios y eficientes. “Un problema nuevo, incluso si al principio no te interesa tanto, después de un tiempo te engancha”, dice. “Y muy pronto, empiezas a pensar en ello día y noche”.

Schmidt, profesor de ingeniería mecánica e industrial en la Universidad de Massachusetts en Amherst, llama a la inyección de combustible "muy extrema". El combustible atraviesa agujeros del ancho de un cabello humano “y sale gritando al menos Mach uno, con suficiente impulso para perforar una mano”. Esto hace que estudiar motores físicos sea costoso y un poco peligroso. Las simulaciones han mejorado nuestra capacidad de comprender lo que ocurre en su interior.

 

La ejecución de simulaciones de motores de alta fidelidad aún puede llevar una semana en un clúster informático costoso. Entonces, durante los últimos dos años, Schmidt ha dirigido ICEnet , un consorcio con sede en UMass Amherst que acelera el proceso con redes neuronales. Su laboratorio hizo un progreso significativo en el desarrollo de herramientas para estudiar tanto la turbulencia como la combustión. Usando el aprendizaje automático, dice, están obteniendo "una respuesta mejor y más precisa de lo que merecemos por la cantidad de poder de cómputo que estamos poniendo".

 

 

Software de simulación de diseño de Siemens, AVL y Convergent Science para clientes, incluido Cummins. Los programas, llamados solucionadores de dinámica de fluidos computacional (CFD), representan un motor completo o un componente de motor individual al dividirlo en un millón o más de células diminutas. Dentro de cada celda, en cada paso de tiempo, la simulación combina los efectos de una miríada de factores para decidir el estado actual de la celda: su temperatura, presión, etc. Los factores que determinan este estado provienen de una contabilidad básica de la conservación de la masa, el impulso y la energía, además de los módulos de software complementarios. ICEnet está desarrollando dos módulos: uno calcula la física de la turbulencia y otro calcula la química de la combustión.

 

La belleza del sistema de complementos es que no tiene que generar un nuevo solucionador de CFD, que puede constar de millones de líneas de código que representan el movimiento del pistón, las bujías, etc. “No desea cambiar la base de código existente”, dice Schmidt. "Entonces, está diseñado para permitirle intercambiar módulos fácilmente".

 

 

ICEnet utiliza una colección de solucionadores de CFD llamada OpenFOAM, que es de código abierto. Pero sus módulos se conectarán con la misma facilidad a otros solucionadores de CFD, como los utilizados por Siemens, AVL y Convergent Science. Es probable que las tres empresas no utilicen los módulos exactamente como están escritos, sino que los adaptarán para satisfacer sus propias necesidades.

Para desarrollar los módulos, Schmidt está utilizando MATLAB ® , por varias razones. Según Peetak Mitra, estudiante de posgrado en el laboratorio de Schmidt, es fácil de usar, los clientes están familiarizados con él, no tiene errores, MathWorks proporciona soporte y genera código C++, el lenguaje de los solucionadores de CFD, mejor que otros marcos de aprendizaje automático. como PyTorch.

 

El proyecto implicó no solo desarrollar nuevos algoritmos, sino también hacerlos lo suficientemente confiables para el uso diario. “Normalmente, en la academia, hacemos que algo funcione una o dos veces y declaramos la victoria”, dice Schmidt.

"Lo que creó ICEnet", dice Shounak Mitra, gerente de productos de aprendizaje profundo de MathWorks, "fue un flujo de trabajo integral de grado industrial que los usuarios pueden ajustar para adaptarse a sus flujos de trabajo CFD específicos en este dominio".

 

 

A Schmidt le gusta citar un poema del matemático y meteorólogo Lewis Fry Richardson: “Los remolinos grandes tienen remolinos pequeños que se alimentan de su velocidad, y los remolinos pequeños tienen remolinos menores y así hasta la viscosidad”. La turbulencia, la mezcla de fluido, gas o plasma, ocurre en muchas escalas. Y lo que sucede en una escala influye en lo que sucede en las demás. Las simulaciones precisas de turbulencia son muy lentas porque necesitan capturar la dinámica más pequeña. ICEnet acelera el proceso al estimarlos.

 

Lo que sucede en cada celda se calcula mediante una fórmula con entradas relacionadas con la densidad, la presión, la temperatura, la velocidad y la tensión. La salida es la velocidad gaseosa. Una simulación puede tener un millón de celdas, por lo que es un millón de estos cálculos por paso de tiempo (que dura entre una milésima y una millonésima de segundo). ICEnet reduce el número de celdas por un factor de dos o más. Recupera la información detallada que se pierde mediante el uso de redes neuronales rápidas.

 

El equipo primero ejecuta simulaciones de alta resolución y entrena una red neuronal para estimar el comportamiento de la simulación. Luego, en la simulación de baja resolución, le agregan a la fórmula un término calculado por la red, llamado corrección aprendida . Esta corrección recupera la mayor parte de la información perdida al reducir la resolución. Otros investigadores reemplazan completamente las simulaciones con redes entrenadas, pero Schmidt encuentra que ese enfoque reduce demasiado la precisión. Necesita las fórmulas tradicionales para hacer cumplir la conservación de la masa, el impulso y la energía, como hacer el balance de una chequera. “Entonces, lo que hemos hecho es unir la tecnología de simulación existente con el aprendizaje automático”.

 

En los estudios iniciales, el sistema no siempre aceleraba las simulaciones. Habían reducido un millón de células a unos pocos cientos de miles, pero aún tenían que hacer funcionar la red cien mil veces cada una durante un millón de pasos de tiempo, o un total de cien mil millones de veces. Entonces Peetak Mitra encontró una manera de simplificar la red. Primero, usó AutoML, en el que el software explora diferentes arquitecturas de redes neuronales y encuentra las que son tanto precisas como eficientes. Debido a que no todos los socios del consorcio son expertos en aprendizaje automático, "lo que queríamos hacer era reducir esa barrera", dice Peetak Mitra. “Construimos este proceso de un solo clic en el que presiona Ejecutar en MATLAB, y automáticamente diseña la red en función de sus datos”.

Luego, Peetak Mitra ideó una nueva forma de podar redes, eliminando nodos y conexiones sin importancia. La poda redujo el tamaño de la red en un 90 %, lo que la hizo 10 veces más rápida y, al mismo tiempo, aumentó la precisión. Esto se debe a que las redes grandes se adaptan a cualquier información en el sistema, lo que las hace buenas para generalizar a muchos escenarios, pero pueden aprender del ruido en el sistema. Si está aplicando el aprendizaje automático a un entorno regular (tipos de cilindros similares), puede permitirse el lujo de reducir la red, filtrando así el ruido.

 

El equipo también utilizó un proceso llamado cuantificación, que reduce la precisión excesiva de los valores de la red. Al observar estas formas de reducir la red, Shounak Mitra dice: "NVIDIA las aplaudió".

 

Los desafíos permanecen. Al combinar una red con el resto de un solucionador de CFD, lleva un tiempo entrenar una red y optimizar su rendimiento. “Imagínese tratando de aprender a jugar al fútbol, ​​y puede patear la pelota solo una vez cada pocas horas”, dice Schmidt. Actualmente están trabajando en atajos para acelerar el proceso.

Altamente Combustible

El equipo de Schmidt también encontró formas innovadoras de utilizar el aprendizaje profundo para estudiar la combustión. Al igual que en el modelado de turbulencia, un sistema estándar aplica fórmulas a las celdas para decidir sus estados en cada paso de tiempo. Pero aquí hay todo un sistema de ecuaciones diferenciales para cada celda, equilibrando la convección, la temperatura, la presión y docenas de sustancias químicas y cientos de reacciones químicas.

Una vez más, ejecutan simulaciones de alta fidelidad usando estas ecuaciones y entrenan una red neuronal para aproximarse rápidamente a lo que sucede en una celda. Pero en este caso, reemplazan completamente las reacciones químicas con la red entrenada, una por celda. Para esto, Majid Haghshenas, un postdoctorado en el laboratorio de Schmidt, ha desarrollado un enfoque novedoso: no usan la misma red entrenada en cada celda, ni usan una diferente para cada celda. En su lugar, utilizan una técnica que agrupa las redes entrenadas en unos 40 grupos. Para cada clúster, crean una red representativa. Reemplazan el sistema de ecuaciones con una de estas 40 o más redes basadas en sus entradas. El uso de 40 redes diferentes en lugar de cien mil reduce el tamaño del sistema general.

Un gran desafío es que las concentraciones químicas pueden variar en un factor de mil millones, y la duración de las reacciones químicas puede abarcar un rango similar. ¿Cómo aprendes sobre reacciones lentas con altas concentraciones sin perder la dinámica de menor escala? Un método es calcular usando transformaciones de concentración no lineales, pero aún están perfeccionando esta solución.

 

Todavía tienen tiempo para resolver problemas, pero Schmidt estima que el modelo de turbulencia será unas 5 veces más rápido que el método anterior y el modelo de combustión será 100 veces más rápido. Con simulaciones más rápidas, los socios pueden realizar más experimentos, iterando rápidamente en el diseño del motor, con el objetivo final de aumentar la eficiencia del motor y reducir las emisiones. “Puedes probar cualquier cosa que se te ocurra”, dice Haghshenas.

A medida que ICEnet termina, Schmidt busca nuevas formas de mejorar el medio ambiente. La dinámica de fluidos también gobierna la forma en que el aire fluye sobre y alrededor de los objetos. Una aplicación es la aerodinámica del automóvil. A medida que proliferan los vehículos autónomos, pueden comenzar a formar “pelotones”, un automóvil siguiendo de cerca a otro para mantenerse en su estela y reducir la resistencia, mejorando la eficiencia del combustible. Los solucionadores de CFD pueden calcular la distancia correcta.

El equipo de Schmidt también espera aplicar sus métodos a las turbinas eólicas. Las turbinas contra el viento bloquean el viento y crean turbulencias que pueden reducir la eficiencia de las turbinas aguas abajo al mismo tiempo que aumentan la tensión en sus palas. Los solucionadores de CFD pueden calcular el ángulo óptimo al que apuntar las turbinas para reducir dicha interferencia.

Las turbinas eólicas no son fusión nuclear, pero los remolinos, grandes y pequeños, aún contienen una complejidad infinita.

 

Traducción: Jacqueline Vicarte
Más información sobre este producto
Entre en contacto con: Jacqueline Vicarte
jvicarte@multion.com